匹配正文：…phRAG的核心创新：从"文本块检索"到"图结构知识检索" 能对比传统RAG在全局性问题上的局限掌握GraphRAG的构建流程（索引构建→社区检测→查询生成）能举例说明图结构数据的具体应用场景理解其在多跳推理、关系推理上的优势 GraphRAG 核心原理本质转变：传统RAG检索"文本片段"，GraphRAG检索"图结构知识"——实体、关系、社区摘要。构建流程：索引阶段：LLM抽取实体和关系 → 构建知识图谱 → Leiden算法检测社区 → 生成社区摘要查询阶段…

#字节#GraphRAG 原理#GraphRAG vs RAG

面试题·知识图谱· 淘天

GraphRAG 工作原理是什么?

匹配正文：…把非结构化文本转化为结构化的"实体-关系-实体"网络，实现基于图结构的推理检索。工作流程（微软开源方案）阶段关键操作 1. 索引构建用LLM从文本中抽取实体（人/组织/概念）和关系，生成图结构 2. 社区检测用Leiden等算法对图做聚类，发现紧密关联的实体社区 3. 摘要生成对每个社区生成层级摘要（从叶子到根节点逐层总结） 4. 查询响应根据问题类型选择局部搜索（具体实体）或全局搜索（社区摘要聚合）与传统RAG的关键区别维度传统RAG GraphRAG …

#淘天#知识图谱#GraphRAG 原理

面试题·多模态· 阿里

Multi-modal RAG 是什么?

答案要点明确多模态RAG的定义（支持文本、图像、视频、音频等多模态输入和检索）技术挑战（跨模态语义对齐、多模态索引构建、模态融合策略）核心组件（多模态编码器、跨模态检索器、多模态生成器）典型应用场景（电商图文搜索、医疗影像诊断、工业质检、多模态客服）什么是多模态RAG 传统RAG只检索文本知识，多模态RAG将检索范围扩展到图像、视频、音频、表格等多模态数据，实现"以文搜图、以图搜文、跨模态联合推理"的增强生成。核心挑战 vs 文本RAG 维度传统文本RAG 多模…

希望老师帮你把学习与项目串起来？

了解 AI 全栈 1v1 陪跑营的项目安排、导师答疑与简历面试辅导。

查看课程安排 →咨询学习安排

学习内容与项目面试，在同一条路上。

站内 RAG 在线实战

匹配正文：

#阿里#多模态#Multi-modal RAG

面试题·RAG· 字节

RAG 检索模块怎么提升相关性?

匹配正文：检索模块工作机制 RAG检索模块的核心流程：索引构建：文档切分→Embedding编码→写入向量数据库在线检索：查询向量化→近似最近邻搜索（ANN）→返回TopK候选结果组装：结合元数据过滤，送入生成模块三种提升相关性的方法 1. 混合检索（Hybrid Search）原理：融合向量语义检索 + 关键词匹配（BM25），解决向量检索对专有名词、ID类信息召回不足的问题融合策略：线性加权 score = α·dense_score + (1-α)·sparse_sc…

#字节#Query Rewriting#RAG 检索模块

面试题·检索· 百度

RAG 瓶颈在哪一步

匹配正文：RAG完整工作流程四阶段架构：阶段核心任务关键组件索引构建文档→Chunk→Embedding→向量库分块策略、Embedding模型、索引结构检索召回 Query→Embedding→Top-K检索向量检索、关键词补充、混合检索精排过滤粗排结果→相关性打分→筛选重排序模型、多样性控制、阈值截断生成合成上下文+Query→LLM生成答案 Prompt工程、引用溯源、幻觉抑制关键瓶颈与优化策略瓶颈1：检索延迟高（P99>500ms）根因：向量…

#百度#重排与优化#RAG 系统瓶颈

面试题·检索· 字节

RAG 原理与核心架构

匹配正文：…时，系统先从外部知识库检索相关文档，再将检索结果与用户问题拼接送入LLM生成答案。系统架构与四大模块模块核心功能关键技术索引构建离线处理文档，构建可检索的向量库文档切分、Embedding模型、向量数据库（Milvus/Faiss）检索器从海量文档中快速召回Top-K候选稠密检索（DPR）、稀疏检索（BM25）、混合检索重排序精排候选，提升相关性 Cross-Encoder、ColBERT 生成融合将检索结果与Prompt结合，约束生成上下文拼接、…

#字节#重排与优化#RAG 原理与核心架构

面试题·检索· AIlab

RAG 流程各环节优化陷阱

匹配正文：答案要点清晰描述RAG的完整流程（索引构建、检索、生成）分环节列举具体优化手段（分块策略、embedding模型、重排序、查询优化等）能区分不同优化手段的适用场景和收益体现对实际落地问题的理解（如多轮对话、长尾查询） RAG核心流程 1. 索引构建阶段文档解析（PDF/Word/网页等格式处理）文本分块（Chunking）向量化（Embedding）存储到向量数据库 2. 检索阶段查询向量化相似度检索（Top-K召回）可选：重排序（Rerank） 3. …

#AIlab#RAG链路优化#RAG 优化

面试题·检索· AIlab

RAG流程优化：三大层面策略

匹配正文：…生成层面：上下文压缩、提示工程、引用溯源流程层面：多轮检索、自适应RAG、评估反馈闭环能结合实际场景说明取舍一、检索层优化索引构建分块策略：按语义/结构分块（标题-内容、固定长度+重叠），非均匀分块优于固定长度多向量表示：同一文档用摘要、关键词、问题等多角度embedding 元数据过滤：时间、来源、类别等字段预过滤缩小检索范围查询侧优化查询改写：HyDE（生成假设文档再检索）、Query2Doc、子查询分解查询扩展：同义词、相关术语扩展召回意图识别：区分…

#AIlab#RAG流程优化#RAG 优化

面试题·检索· 百度

RAG 工作原理与核心组件

匹配正文：… token 向量化：用Embedding模型（如BGE、M3E、OpenAI text-embedding）将文本转为稠密向量索引构建：存入向量数据库（Milvus、Faiss、Pinecone），采用HNSW或IVF-PQ等近似最近邻算法加速检索 2. 检索阶段（在线）查询向量化：用户问题同样经Embedding模型编码相似度计算：余弦相似度或点积，召回Top-K相关片段检索策略演进：稠密检索：语义匹配好，但可能漏关键词稀疏检索（BM25）：精准匹配关键词，补…

#百度#RAG核心组件#RAG 工作原理

面试题·检索· 百度

RAG 技术实现流程怎么走?

匹配正文：答案要点文档预处理与分块策略的选择依据 Embedding模型选型与向量索引构建检索召回与精排的两阶段设计上下文窗口优化与生成环节的关键技术 RAG的核心流程可分为离线构建和在线服务两个阶段：一、离线文档处理文档解析：处理PDF/Word/网页等多格式，提取结构化文本（表格、标题层级保留）分块（Chunking）：关键设计点固定长度（如512 token）简单但易截断语义按段落或语义分块；滑动窗口只作为待测候选，由同一评测集决定是否启用及长度特殊处理：代码按…

#百度#文档切分与检索#RAG 实现流程

面试题·检索· 字节

RAG 系统实现：组件与流程

匹配正文：答案要点清晰描述RAG的两大核心阶段（检索+生成）及数据流向说明索引构建的关键步骤（文档切分、向量化、存储）列举至少2种检索策略（如混合检索、重排序）及适用场景提及RAG的典型优化方向（查询改写、上下文压缩、多路召回）能指出实现中的常见陷阱（如切分粒度、语义漂移） RAG核心架构：两阶段流水线索引阶段（离线）文档处理：按语义/固定长度切分chunk，控制256-512 tokens，保留上下文重叠向量化：用Embedding模型（如BGE、M3E、OpenAI…

#字节#RAG系统实现#RAG 实现

面试题·检索· 美团

RAG 检索器与生成器如何协同？

匹配正文：…排序、查询改写、多路召回）能对比Naive RAG与Advanced RAG的差异 RAG核心架构：两阶段流水线第一阶段：离线索引构建文档切分：按语义/固定长度分块，控制chunk大小（通常256-512 tokens） Embedding编码：用BGE、M3E等模型将文本转为稠密向量向量存储：写入Milvus/Faiss/Elasticsearch，构建HNSW索引加速检索第二阶段：在线检索生成模块职责关键技术检索器从知识库召回相关文档稠密检索（向量相…

#美团#RAG架构#RAG 系统架构

面试题·检索· 高德

RAG 系统实现流程怎么搭?

匹配正文：答案要点文档预处理与分块策略（固定长度/语义分块/递归分块） Embedding模型选择与向量索引构建检索策略（稠密+稀疏混合检索）重排序优化 Prompt工程与上下文窗口管理 1. 文档处理与分块核心目标：将原始文档转化为适合检索的粒度单元清洗：去除HTML标签、特殊字符、重复内容分块策略：固定长度分块（512/1024 tokens）+ 滑动窗口重叠语义分块：按段落/句子边界，保持语义完整性递归分块：先按大粒度分割，再细化处理元数据保留：记录文档来源、…

#高德#RAG结果融合#RAG 实现流程

面试题·检索· 字节

Embedding 怎么实现语义召回?

匹配正文：…BGE、M3E、OpenAI-ada）将文本映射为稠密向量关键：领域数据建议微调Embedding模型，解决分布偏移 2. 向量索引构建存储：向量数据库（Milvus、Faiss、Pinecone）或近似最近邻索引（HNSW、IVF） HNSW：图索引，查询快、精度高，适合动态更新场景 3. 查询检索（在线）查询向量化：同一Embedding模型编码，保证查询-文档同空间 ANN检索：Top-K近似最近邻，非暴力全量计算相似度计算：余弦相似度 = (A·B)/(||A…

#字节#向量语义召回#Embedding 语义召回

面试题·检索· 美团

Embedding 相似性检索怎么工作?

匹配正文：…关注方向一致性，对向量长度不敏感欧氏距离：关注绝对距离，适合归一化后的向量点积：计算快，但受向量模长影响工作机制离线阶段：索引构建文本 → 分块 → Embedding模型 → 向量 → 构建索引（HNSW/IVF-PQ）→ 存入向量库在线阶段：相似检索查询文本 → 向量化 → ANN搜索Top-K → 返回相似文档 ANN加速算法 HNSW：图索引，查询快、精度高，内存占用大，适合百万级 IVF-PQ：倒排+乘积量化，内存省、亿级规模，精度略降实际选型看数据…

#美团#Embedding检索#Embedding 相似性检索

面试题·Agent· 百度

Agent 组件如何实现自主决策与学习?

匹配口述回答：…就是当前步骤的中间结果，用显式的状态变量维护。这里有个前提，长期记忆的写入和检索质量很关键，如果embedding模型选得不好或者索引构建有问题，记忆反而会干扰决策。工具调用是Agent跟外部世界交互的接口。[[Function Calling]]是主流做法，LLM生成结构化参数去调API，比如搜索、计算、数据库。工具选择需要精确匹配任务意图，所以工具的description prompt要写得足够清晰。结果解析也要注意，工具返回的可能是JSON或者HTML，得转成LLM能…

#百度#Agent#Agent 工作原理

面试题·Agent· 阿里

Agent框架模块化与工具集成怎么比?

匹配口述回答：…它的代价是版本迭代太快，API动不动就变，生产环境我踩过不少坑。 LlamaIndex呢，它把RAG链路优化到了极致。从数据摄取、索引构建到查询，它都有专门的抽象。比如你要做知识库问答，它内置了各种索引策略和检索器，开箱即用，代码量可以很少。但它的工具集成面比较窄，主要聚焦在数据类工具上。 AutoGen我接触得少一些，它很擅长让多个Agent通过对话协作完成任务，比如一个Agent写代码，另一个Agent执行并反馈结果，这种场景它很自然。那实际业务中怎么选？我给你举一个客…

#阿里云#Agent#Agent 开发框架

面试题·评估· 美团

RAG 工作原理与局限怎么分析?

匹配口述回答：…配一个外挂知识库，需要的时候去查，查回来再基于这些材料生成答案，这样模型就不需要把所有知识都塞进参数里了。具体说一下流程。首先是索引构建，把文档切碎成小块，也就是 [[Chunk]]，然后做 [[Embedding]] 存到 [[Vector Database]] 里。这里有个坑，固定切分比如512个字符一刀切，经常把完整语义切散，比如一个退款政策条款被劈成两半，检索召回时只拿到半句话，答案就偏了。所以我会倾向用语义切分，结合结构信息，比如按Markdown标题或段落边界来…

#美团#评估与监控#RAG 工作原理

面试题·评估· 京东

RAG向量数据库选型关键指标

匹配口述回答：…也就是向量相似度加标量过滤。这就要求数据库支持标量过滤下推到存储层，而不是先全量向量检索再过滤，否则延迟扛不住。这里有个风险点：索引构建和更新。HNSW 构建很吃内存，如果数据频繁更新，直接原地动图索引会导致召回率下降。我的做法是增量更新走软删除加异步重建，用双缓冲影子索引，构建完用固定 query 集回放对比 Recall@K 和延迟，达标才原子切换，不达标回滚。上线后还要监控内存和查询 P99，防止 OOM 或者慢查询打满。所以我的选型思路是：先明确业务对延迟和规模的…

#京东#评估与监控#向量数据库选型

面试题·多模态· 淘天

截图 RAG 怎么理解界面组件?

匹配追问：…设计一个RAG系统，输入是软件界面截图，输出是每个组件的功能解释。请描述从图像解析、组件结构化、知识检索到生成回答的完整流程，包括索引构建和检索策略。

#淘天#多模态#多模态 RAG

面试题·RAG· 阿里

LangChain vs LlamaIndex 架构差异？

匹配口述回答：…己发挥”，必要时用[[Self-RAG]]让模型自己学会反思。还有一个值得注意的点：当数据量超过百万级时，LlamaIndex的索引构建和更新会成为瓶颈，这时候要考虑分层索引或增量更新，否则检索延迟会飙升。所以我的判断是，我更倾向数据驱动的思路。因为LLM应用的核心瓶颈往往不是流程复杂，而是数据质量和检索精度。我会把LlamaIndex作为数据底座，LangChain作为上层的调度层。如果只能选一个，我选LlamaIndex，因为大多数场景下，先把检索做好，比先把流程做复…

#阿里云#LangChain与LlamaIndex#LangChain vs LlamaIndex

面试题·RAG· 字节

医疗 RAG 索引如何保合规?

匹配追问：…么来保证精确匹配和溯源？直球架构设计一个专业领域RAG的数据处理和索引流程，重点保证知识准确性、合规性和检索效率。从数据采集到索引构建，你会分几个层？各层的关键技术和人工审核节点怎么安排？

#字节#医疗RAG合规#RAG 数据处理流程

面试题·RAG· 百度

RAG 技术原理与核心组件详解

匹配追问：…参数存知识，更新一次太贵了，怎么办？……那检索+生成这个思路，具体怎么把检索结果和生成结合起来？直球架构实现一个RAG系统，从索引构建、检索到生成，讲一下核心组件和技术选型。实际落地时有哪些常见的坑？

#百度#RAG核心组件#RAG 技术原理

面试题·检索· 字节

RAG 向量检索怎么高效召回?

匹配口述回答：…闭环：用户点击结果后，把正负样本回流，定期增量训练Embedding模型。索引更新也有讲究，全量重建太慢，我会用双缓冲影子索引，新索引构建完后原子切换，切换前用固定query回放，对比Recall@K和延迟，不通过就回滚。说到反馈闭环，其实还有一个方向是[[Self-RAG]]，让模型在生成时自己判断是否需要检索，以及检索结果的可靠性。这能解决很多不必要的检索开销和[[幻觉]]问题，但需要更多训练数据和控制。最后收一下：我会把检索模块看成一个系统工程，不是单一算法能解决…

#字节#向量数据库召回#RAG 向量检索